pytorch导入Focalloss

在 PyTorch 中，可以通过自定义损失函数来实现 Focal Loss。以下是一个示例代码：

import torch
import torch.nn as nn

class FocalLoss(nn.Module):
    def __init__(self, gamma=2, alpha=None, size_average=True):
        super(FocalLoss, self).__init__()
        self.gamma = gamma
        self.alpha = alpha
        if isinstance(alpha, (float, int)): self.alpha = torch.Tensor([alpha, 1-alpha])
        if isinstance(alpha, list): self.alpha = torch.Tensor(alpha)
        self.size_average = size_average

    def forward(self, input, target):
        if input.dim()>2:
            input = input.view(input.size(0), input.size(1), -1)  # N,C,H,W => N,C,H*W
            input = input.transpose(1,2)    # N,C,H*W => N,H*W,C
            input = input.contiguous().view(-1, input.size(2))   # N,H*W,C => N*H*W,C
        target = target.view(-1, 1)

        logpt = F.log_softmax(input)
        logpt = logpt.gather(1, target)
        logpt = logpt.view(-1)
        pt = logpt.data.exp()

        if self.alpha is not None:
            if self.alpha.type()!=input.data.type():
                self.alpha = self.alpha.type_as(input.data)
            at = self.alpha.gather(0, target.data.view(-1))
            logpt = logpt * at

        loss = -1 * (1-pt)**self.gamma * logpt
        if self.size_average: return loss.mean()
        else: return loss.sum()

这里使用了 PyTorch 的 nn.Module 类来实现 Focal Loss。在 forward() 函数中，我们首先将输入数据重塑为 (N*H*W, C) 的形式，然后计算对应的 logpt 和 pt。接着使用 alpha 来调整损失值，最后计算 Focal Loss 并返回。可以通过调整 gamma 来控制 Focal Loss 的聚焦程度。

使用时，只需要像下面这样创建一个 Focal Loss 对象并将其传递给训练函数即可：

focal_loss = FocalLoss()
criterion = focal_loss
optimizer = torch.optim.Adam(model.parameters(), lr=lr)
# ...
loss = criterion(outputs, labels)